文 | 梁昊光 中國科學院中國現代化研究中心主任、研究員

近期，工業和信息化部等八部門聯合印發《“人工智能+制造”專項行動實施意見》，圍繞技術基礎、應用場景和產業生態，對人工智能賦能制造業作出系統部署。

人工智能與制造業深度融合，不僅能提高生產效率、降低制造成本，更有利于推動研發設計、生產組織、質量管控、供應鏈協同等全流程變革，使制造業從要素驅動、經驗驅動逐步轉向數據驅動、智能決策驅動。加快推進“人工智能+制造”，既是培育新質生產力的題中應有之義，也是增強產業鏈供應鏈韌性、提升制造業核心競爭力的必由之路。

我國制造業門類齊全、鏈條完整、場景豐富，推動人工智能落地生效具有天然優勢。同時也要看到，制造業智能化轉型仍處于爬坡過坎階段。上了設備和系統后，如何打通數據、優化流程，不讓智能化停留在局部自動化階段？有平臺和項目，如何制定解決方案、形成穩定的人才隊伍，并形成規模效應？還有很多的問題需要我們關注和破解。

越是在這樣的關鍵階段，越要把方向看準、路徑走實，堅持系統觀念，抓住基礎性、牽引性工作持續用力。推進“人工智能+制造”走深走實，既要打牢自主可控的技術和數據基礎，讓人工智能在工業場景中穩定運行，也要通過產業鏈協同把智能化應用從單點探索拓展到整體推進，同時完善產教融合和人才培養機制，為制造業轉型升級提供持續支撐。

推進“人工智能+制造”，基礎在技術、關鍵在數據。制造業對穩定性和安全性的要求極高，任何波動都可能帶來質量和安全風險。因此人工智能進入制造業，不僅要能用，更要用得穩、用得久。這首先取決于技術底座是否扎實、數據體系是否健全。一方面，要把關鍵核心技術牢牢掌握在自己手里。制造業智能化離不開算力和工業軟件支撐，特別是在高端芯片、核心軟件等領域，唯有突破核心工業軟件的技術封鎖，實現從基礎軟件到行業應用軟件的自主研發與迭代，才能真正讓制造業智能化的“大腦”自主運轉。我們必須持續推進自主創新，提升人工智能在工業現場的部署和運行能力，保障系統長期穩定運行。另一方面，要把工業數據這一基礎資源建設好。人工智能模型的效果，很大程度上取決于數據質量，如果企業數據仍分散在不同設備和系統中，標準不統一、質量參差不齊，就會導致“采得多、用得少”等問題。下一步，應在技術底座和數據體系兩方面同步推進，圍繞研發、生產、質量和運維等環節形成有效數據資源，為制造業智能化提供長期支撐。

推進“人工智能+制造”，重點在協同、難點在貫通。單個工序、單條產線的智能化改造固然重要，但真正決定制造業競爭力的，是設計、研發、生產、供應鏈和服務等環節的全鏈條聯動。人工智能要從局部提效走向系統增效，就得打通企業內部的數據壁壘，貫通上下游之間的協作鏈條。實踐中，一些地區通過平臺建設和場景對接，加快新技術落地；一些企業通過示教仿真和云端復制，提升產線切換和推廣效率。下一步，應把產業鏈協同作為推進智能化的重要抓手，發揮龍頭企業的帶動作用，將成熟、好用的解決方案推廣到更多中小企業。聚焦重點行業總結一批典型應用場景，總結成功經驗，在實踐中不斷優化和推廣，避免智能化改造碎片化、孤島化。

推進“人工智能+制造”，成敗在人才、根子在機制。制造業智能化是一項長期工程，需要既懂工藝設備、又懂數據算法的復合型人才隊伍。技術人員懂現場、一線人員會系統，應用才能落地并不斷實現迭代升級。工業現場最難的，不是寫算法，而是把算法嵌入流程、把模型嵌入管理、把數據嵌入生產，歸根結底考驗的是企業員工在技術、管理、工程方面的綜合能力。下一步，應把產教融合擺在更加突出位置，推動高校與企業共建產業學院、聯合實驗室和實訓基地，讓真實工業問題進入課程和科研；完善企業在職培訓體系，促進產業工人向運維、調試、數據處理和工藝優化等方向轉型；優化人才評價機制，鼓勵跨學科合作與崗位復合能力培養，培育更多“懂行業的數字化工程師”和“懂數據的現場工程師”，推動企業從一次性項目建設轉向長期能力積累。

總體來看，堅持穩中求進、以用促研、以點帶面，才能讓人工智能在車間里用得穩，把單點探索轉化為普遍能力，并形成產業轉型升級的內在動力。如此，我國制造業必能不斷增強韌性和競爭力，為推進新型工業化、實現高質量發展提供更堅實支撐。